用随机森林填充缺失值，直接上代码

为什么要用随机森林对缺失值填补！

• 缺失值的填充往往会训练的结果，在闲时不妨尝试多种填充然后比较结果选择结果最优的一种；
• 多学一点又不会死。

随机森林填充缺失值优点

• 随机森林填补通过构造多棵决策树对缺失值进行填补，使填补的数据具有随机性和不确定性，更能反映出这些未知数据的真实分布；
• 由于在构造决策树过程中，每个分支节点选用随机的部分特征而不是全部特征，所以能很好的应用到高维数据的填补；
• 随机森林算法本身就具有很好的分类精度，从而也更进一步确保了得到的填补值的准确性和可靠性。

开始！冲！

import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.ensemble import RandomForestRegressor

1.创建数据特征矩阵

data = pd.DataFrame({
   'id':[1,np.nan,np.nan,np.nan,5,6],'name':[22,np.nan,12,2